I
ANALISIS DATA ClTRA BUAH
-
BUAHAN
DENGAN ALGORITMA
FAGIN
DAN THRESHOLD
OLEH :
ABDUL HARIS RANGKUTI
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
ANALISIS DATA ClTRA BUAH - BUAHAN DENGAN
ALGORITMA
FAGIN
DAN
THRESHOLD
ABDUL HARlS RANGKUTI
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada Program Studi llmu Komputer
PROGRAM STUD1 ILMU KOMPUTER
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN
BOGOR
SURAT PERNYATAAN
Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya yang berjudul :
Analisis Data Citra Buah
-
Buahan dengan Algoritma Fagin dan Thresholdmerupakan gagasan atau hasil penelitian saya sendiri, dengan arahan Komisi Pembimbing, kecuali yang dengan jelas ditunjukkan rujukannya. Tesis ini belum pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada program sejenis di perguruan tinggi lain. Semua data dan inforrnasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Bogor, Agustus 2007 Yang Membuat Pemyataan
ABSTRACT
A. HARIS RANGKUTI. Citra Data Fruits Analysis Using Fagin dan Threshold Algorithm. Supervised By MARIMIN and KUDANG BORO SEMINAR.
There are different ways of obtaining and accessing information in a multimedia
database than information in a traditional database. For example, in a multimedia
database, it is possible to query the top 10 images that are similar to a fixed image
which respect to color and shape can contain pictures with various coloring patterns and
shape.
This research examines the performance of two popular algorithms in this case Fagin
and Threshold algorithm, for searching two dimensional images with respect to color
and shape applied on fruits. After trying more than 320 times, the result of optimal
value for searching fruits image using Fagin algorithm is 92% and 94% using with
Threshold algorithm. With the results more than 90% in the optimal value, actually this
research can be continued and become one of recommendation for searching image in
data basis. This research can be used as the bases for image retrieval.
Key Words : Multimedia database, Traditional database, Fagin algorithm, Threshold
A. HAMS RANGKUTI,. Analisis Data Citra Buah - Buahan Dengan Algoritma Fagin dan Threshold. Di bawah bimbingan MARIMIN dan KUDANG BORO SEMINAR.
Perkembangan teknologi informasi, khususnya temu kembali terhadap data atau
informasi, tidak hanya dalam bentuk data teks saja, tetapi dapat juga dalam bentuk audio
(suara, musik dan bunyi), video, gambar atau citra. Untuk melakukan pengolahan data
multimedia yang terstruktur dan terorganisasi yang diperlukan untuk database
multimedia, dimana konsep penyimpanan jenis data menjadi letak perbedaan yang
mendasar dengan database tradisional.
Penelitian ini bertujuan untuk (1) melakukan analisa citra buah untuk
menentukan pengukuran kemiripan berdasarkan bentuk dan warna dengan
menggunakan algoritma fagin dan threshold, (2) untuk mengetahui algoritrna yang lebih baik diantara fagin dan threshold, dalam menghasilkan nilai presisi yang optimal
terhadap citra buah, (3) mengembangkan prototipe sistem temu-kembali data citra buah
yang dibangun dengan menggunakan algoritma fagin dan threshold.
Pencarian dan pemanggilan jenis data yang ada didalam database multimedia,
memerlukan proses kueri yang berbeda dengan database tradisional, termasuk
menggunakan konsep dan metode pemrograman yang berbeda. Penelitian ini,
difokuskan pada kueri citra berdasarkan bentuk dan warna yang dimiliki citra tersebut.
Pemanggilan data citra berdasarkan warna citra menggunakan konsep histrogram, dan
berdasarkan bentuk citra menggunakan konsep citra biner. Untuk mendapatkan
kemiripan citra buah dengan data yang sudah tersimpan dibasis data digunakan konsep
euclid.
Analisa citra buah - buahan ini, digunakan 2 (dua) algoritma penelusuran yaitu
algoritma Fagin dan algoritma Threshold. Proses algoritma untuk pengukuran kemiripan
citra berdasarkan warna dan bentuk didasarkan konsep kueri fuzzy. Untuk menghasilkan
nilai presisi yang optimal dari proses algoritma, fungsi yang digunakan adalah fungsi
sigmoid. Fungsi ini berfungsi untuk menentukan peringkat yang diberikan oleh sistem
Judul Tesis : ANALISIS DATA ClTRA BUAH - BUAHAN DENGAN ALGORITMA
FAGIN DAN THRESHOLD Nama : A. Haris Rangkuti
N RP : G651030224
Program Studi : llmu Komputer
Menyetujui, Komisi Pem bim bing
Prof. Dr. Ir. Marimin, MSc Ketua
Prof. Dr. Ir. Kudang Boro Seminar. MSc
Anggota
/
Mengetahui
Ketua Program Studi kolah Pascasarjana
O
Hak cipta milik Institut Pertanian Bogor, tahun
2007Hak cipta dilindungi Undang
-undang
I. Dilarang mengutip sebahagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya.
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah. b. Pengutipan tidak merugikan kepentingan yang wajar IPB.
KATA PENGANTAR
Alhamdulillahirabbil 'alamin, Penulis panjatkan puji dan syukur ke hadirat
Allah SWT yang telah memberikan rahmat, hidayah, serta karuniaNya sehingga Penulis
dapat menyelesaikan tesis yang berjudul Analisis Data Citra Buah-Buahan Dengan
Algoritma Fagin dan Threshold
Penulis mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Marimin, M.Sc dan
Bapak Prof. Dr. Ir. Kudang Boro Seminar, M.Sc selaku pembimbing 1 dan 2 yang telah begitu sabar dan teliti dalam memberikan banyak masukan dan saran kepada Penulis
dalam penyusunan tesis ini, sehingga dapat diselesaikan dengan baik.
Selanjutnya Penulis ingin mengucapkan terima kasih kepada:
1. Ayah, H. M Hasbi Rangkuti dan Ibu, Hj Dasnita yang selama ini selalu mendukung dan berdoa demi kelancaran masa studi Penulis
2. Istri tercinta Rinawati dan anak kamil, Harri Rahman Rangkuti dan Indra Fata Rahman Rangkuti yang selalu sabar menemani penulis.
3. Seluruh staf tempat penulis bekerja Agus Iskandar SKom, Toni, Anto, Suherman. 4. Ir. Adi Sucipto Aji Msi beserta keluarga yang telah banyak membantu untuk
menyelesaikan tesis ini. Semoga Allah SWT selalu memberikan keberkahan.
5 . Semua teman - teman di Pasca Sarjana Departemen Komputer seperti Jeff, Rani,
Mahyus, Irwan, Asid, Cahyo, Ria, Hanifa, Rojali, Jayanta, Titin, Hari, Wawan dan
semua teman angkatan 111 Fakultas MIPA.
6 . Pejabat dan Staf di lingkungan Departemen Ilmu Komputer beserta dosen yang
telah banyak membantu Penulis dalam penyusunan tesis ini.
Kepada semua pihak yang telah membantu Penulis dalam penyusunan tesis ini yang
tidak bisa disebutkan satu per satu. Semoga Allah SWT yang membalas semua
kebaikannya.
Semoga penelitian ini dapat memberikan manfaat, Amien.
Bogor, Agustus 2007
DAFTAR IS1 KATA PENGANTAR DAFTAR IS1 DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN I
.
PENDAHULUAN...
1.1 Latar Belakang...
1.2 Tujuan dan Manfaat...
1.3 Ruang LingkupI1
.
TINJAUAN PUSTAKA...
2.1 Multimedia Database
...
2.2 Komputasi Lunak...
2.3 Sistem Fuzzy...
2.4 Himpunan Klasik...
2.5 Operator Dasar Himpunan Fuzzy...
2.6 Pengolahan Citra
...
2.7 Pengenalan Citra buah-buahan...
2.8 Pendekatan Kueri Fuzzy
...
2.9 Fungsi Aggregasi
...
2.10 Kueri dasar
2.1 1 Gabungan perintah Boolean dengan Kueri dasar
...
...
2.12 Algoritma untuk evaluasi Query2.13 Proses kueri untuk K tertinggi pada Optimasi presisi
...
...
2.14 Algoritma Fagin (FA Algorithm)...
2.15 Algoritma Thresold...
2.16 Fuzzy Database (Query)...
2.17 Pengenalan Warna...
2.1 8 Pendekatan kuery dengan warna buah
...
2.19 Pendekatan Query dengan bentuk
...
2.20 Sistem Inferensi Fuzzy
viii ix xii xiv
...
2.21 Fungsi Sigmoid 3 1
2.22 Pengukuran Kedekatan Citra
...
31...
2.23 Citra Biner 33
...
2.24 Segmentasi Warna 34
...
2.25 Segmentasi Bentuk 35
I11
.
METODOLOGI PENELITIAN3.1 Kerangka Pemikiran
...
36...
3.2 Tahap Persiapan 37
...
3.3 Algoritma Pendukung 44
...
3.4 Analisa Data Citra Buah 45
3.5 Pengembangan Modul Prototipe
...
47. . . ...
3.6 Pengukuran Kinerja Sistem 52
...
3.7 Dukungan Alat untuk Penelitian 52
...
3.8 Waktu dan Tempat Penelitian 53
IV
.
PERANCANGAN DAN IMPLEMENTASI SISTEM4.1 Arsitektur Algoritma Fagin dan Threshold pada Citra Buah
..
...
4.2 Perancangan untuk Analisa Proses Citra Buah
...
4.2.1 Proses Awal
4.2.2 Segmentasi Warna
...
...
4.2.3 Segmentasi Bentuk
...
4.2.4 Kepekatan Warna
...
4.2.5 Ketepatan Bentuk...
4.2.6 Nilai Agregasi
4.3 Dekomposisi Sistem
...
4.3.1 Sub Menu Segmentasi
...
4.3.2 Kuery Citra
...
4.4 Antarmuka Pengguna
...
4.4.1 Antarmuka Keseluruhan Sistem
...
4.4.2 Antarmuka Inputan Citra
...
V
.
EVALUASI SISTEM...
5.1 Proses Evaluasi Karakteristik Dokumen Input 90
...
5.2 Segrnentasi 90
...
5.3 Penentuan Parameter Proses Kepekatan 96
...
5.4 Penentuan Kurva Pusat dan Pemulus 97
5.5 Perhitungan Nilai Presisi Optimal dengan Algoritma Fagin
...
98...
5.6 Perhitungan Nilai Presisi Optimal Algoritma Threshold 101
...
5.7 Hasil Presisi Yang Optimal 105
...
5.8 Effisiensi Sistem 106
...
5.9 Kompleksitas Sistem 107
...
5.10 Analisa Kinerja Algoritma Fagin dan Threshold 108
...
5.10 Aplikas dibidang Informasi lainnya 108
VI
.
KESIMPULAN DAN SARAN...
6.1 Kesimpulan 110
...
6.2 Saran 111
...
DAFTAR PUSTAKA 112
...
DAFTAR GAMBAR
1.1 Perbedaan antara Database Traditional dan Database
dengan data Fuzzy
...
7...
2.2 Model warna RGB clan HSV 23...
2.3 Objek warna citra buah 25...
3.1 Kerangka Pemikiran Penelitian 36...
3.2 Gambar Buah - buahan dengan spesifikasi teknis tertentu 40...
3.3 Bagan alir proses tahap persiapan 40...
3.4 Tata laksana Pengolahan Database Citra Buah 66...
3.5 Gambar Buah Semangka memiliki warna dan bentuk berbeda 41...
3.6 Analisa citra buah dengan Konsep Fuzzy Kueri 46...
3.7 Metode Pengembangan Sistem Menggunakan Prototipe 50...
3.8 Tahapan Penyusunan Setelah Prototipe 51 4.1 Arsitektur Pencarian Citra Buah dengan Algoritrna Fagin dan Threshold...
55...
4.2 Diagram konteks Analisa Citra Buah 56 4.3 Diagram Nol Analisa Citra buah dengan Algoritma Fagin dan Threshold...
564.4 Diagram flow Praproses untuk Citra buah
...
58...
4.5 Komplemen Citra BW 62 4.6 HitungAreaAl,A2,A3, A4...
624.7 CitraBW
...
63...
4.8 Flip Horizontal 63 4.9 CitraBW...
63...
4.10 Flip Vertikal 63 4.11 Partisi Citra BW...
644.12 Partisi Citra BW Horizontal
...
644.13 Partisi Citra B W Vertikal
...
644.14 Dekomposisi Sistem Analisa citra buah dengan Algoritma fagin dan Threshold
...
684.15 Menu utarna Sistem secara keseluruhan
...
724.16 Antar Muka Setup Sistem
...
744.17 Antarmuka masukan citra buah untuk proses algoritma fagin
...
75.. 18 Antarmuka keluaran dengan masukan Citra buah Ape1 dengan
Algoritma Fagin
...
77 [image:13.536.76.480.0.759.2] [image:13.536.76.480.58.416.2]4.19 Antarmuka Keluaran dengan Citra buah Alpukat dengan
...
Algoritma Fagin 78
4.20 Antarmuka Keluaran dengan Citra buah Ape1 dengan Algoritma
...
Thresold 80
4.21 Antarmuka Keluaran dengan Citra buah Jambu dengan Algoritma
.
...
Thresold 82
...
5.1 Hasil Proses Segmentasi Warna 92
5.2 Perbandingan Query Citra dengan Citra di dalam Basis Data
...
berdasarkan warna buah 93
5.3 Perbandingan Query Citra dengan Citra di dalam Basis Data
...
berdasarkan bentuk buah 95
5.4 Grafik Nilai Presisi warna Citra Buah dengan Algoritma Fagin ... 99 5.5 Grafik Nilai Presisi bentuk Citra Buah dengan Algoritma Fagin
...
100 5.6 Grafik Nilai Presisi bentuk Citra Buah dengan Algoritma...
Threshold 103
5.7 Grafik Nilai Presisi warna Citra Buah dengan Algoritma
...
DAFTAR TABEL
...
1.1 Operator dasar himpunan fuzzy
...
2.1 Tabel karyawan...
3.1 Pengumpulan data citra buah
...
3.2 Daftar buah - buahan
...
4.1 Ketentuan Fungsi Aggregasi...
5.1 Kumpulan Warna Referensi...
5.2 Hasil Pengolahan Citra Biner dalam membentuk partisi...
5.3 Rata - rata nilai Presisi Warna Citra Denga Algoritma fagin
...
5.4 Rata - rata nilai Presisi Bentuk Citra Buah Dengan Algoritma Fagin5.5 Rata - rata nilai Presisi Warna Citra Buah Dengan Algoritma Tljreshold
...
5.6 h t a - rata nilai Presisi Bentuk Citra Bwh Dengan Algoritma Threshold
...
...
5.7 Efisiensi Sistem Temu kembali Citra...
1
.
Tahap Pembentukan Sistem Pakar 113...
2.
Citra Keluaran dengan menggunakan metode Algoritma Fagin 114...
3
.
Citra Keluaran dengan menggunakan metode Algoritma Threshold 122...
I. PENDAHULUAN
1.1 Latar Belakang
Beberapa tahun belakangan ini
,
telah terjadi perkembangan yang sangatcepat pada industri komputer. Perkembangan terjadi karena dukungan yang diberikan baik pada perangkat keras atau perangkat lunak untuk pengunaan data
multimedia. Dukungan dari perangkat keras dapat terlihat melalui kemampuannya
yang menyediakan fasilitas untuk dapat mengakses data suara, data film, data grafik dan data citra. Untuk perangkat lunak tersedia beberapa utiliti dan
aplikasi, yang mampu melakukan pernrosesan data tidak hanya data text , tetapi juga kepada beberapa data lainnya seperti data citra, suara, grafik dan termasuk
data film. Diharapkan dalam satu proses atau waktu, sistem dapat menampilkan beberapa data secara bersamaan.
Dalam pencarian data yang sudah tersimpan di dalam database, dapat
dilakukan dengan proses kueri. Untuk database tradisional, proses kueri dilakukan dengan mengirim satu atau lebih set nilai yang diikuti dengan proses boolean untuk diletakkan di antara nilai tersebut (Fagin 1998). Untuk pencarian data citra pada database multimedia, proses kueri dapat dilakukan berdasarkan kondisi dari citra tersebut. Kondisi dari citra dapat diwakili dengan warna, tekstur dan bentuk
dari citra tersebut. Hampir sama dengan database tradisional, maka pada saat proses kueri terhadap citra tertentu dengan berdasarkan kondisi di antara dua
citra, maka dapat dilakukan proses boolean (Lotem 1999). Selain itu beberapa
database multimedia sangat memungkinkan untuk melakukan kueri data citra,
berdasarkan dengan persamaan (similar to) dari data citra yang sudah tersimpan. Sedangkan dalam database tradisional ha1 tersebut sangat sulit untuk dilakukan.
Tidak seperti dalam situasi yang ada pada database relasional, di mana
tejadi gabungan dari perintah boolean secara lebih jelas dan mudah. Berbeda untuk pemanggilan data citra secara langsung dalam database multimedia,
tidaklah jelas dan mudah perintahnya, walaupun untuk pemanggilan pada kondisi yang sederhana. Untuk itu, agar perintah (command) pemanggilan citra dapat
diterima secara mudah, salah satunya adalah dengan pendekatan peringkat pada
saat proses kueri fuzzy. Dengan proses kueri fuzzy, maka setiap objek akan diberikan nilai peringkat yang disesuaikan dengan proses kuerinya. Sebagai contoh : jika citra yang dicari adalah warna merah, maka untuk setiap citra yang
mempunyai warna merah tua, merah darah, merah muda, orange atau merah lainnya akan diberikan peringkat, yang sesuai dengan perintah kueri. Untuk
memudahkan visualisasi peringkat, maka nilai peringkat yang mendekati dengan citra akan ditarnpilkan secara benuutan. Citra akan ditampilkan mulai dari peringkat tertinggi atau yang menyerupai dengan citra kueri, hingga peringkat
yang terendah. Untuk proses menampilkan citra yang sesuai dengan peringkat tersebut, maka algoritrna yang digunakan adalah algoritrna fagin dan threshold.
Sebagai contoh pencarian citra yang mempunyai warna hijau dan bentuk
diselesaikan dengan benar. Namun proses ini dapat diselesaikan dengan proses
kueri fuzzy. Dalam melakukan pencarian kueri fizzy terdapat beberapa algoritma
yang mendukung untuk melakukan proses tersebut. Di antaranya adalah algoritma yang sangat mendukung proses ini adalah algoritma fagin dan algoritma threshold
(Fagin 1999). Pada dasarnya terdapat beberapa algoritma yang mendukung
proses kueri fuzzy dalam melakukan proses pencarian citra. Narnun dalam penelitian ini difokuskan kepada penggunaan algoritma fagin dan threshold untuk
penelusuran citra buah - buahan.
Fokus penelitian ini adalah proses pencarian suatu objek yang tersimpan di database dengan menggunakan citra sebagai kunci pencarian. Dalam melakukan
pemanggilan data citra yang tersimpan pada basis data, penelitian difokuskan kepada bentuk dan warna yang dimiliki oleh citra dari produk buah
-
buahan.Untuk dalam melakukan penelitian tentang analisa citra buah buahan dengan menggunakan algoritma fagin dan threshold. Dalam menjalankan algoritma, citra buah yang dikurnpulkan akan disimpan ke dalam basis data. Dalam mencari citra
buah berdasarkan warna dan bentuk dari citra, maka dimasukkan beberapa citra
kemudia disusul dengan citra kedua dengan peringkat di bawah dari citra di atasnya, dan dilanjutkan dengan citra berikutnya.
Penelitian ini dilakukan untuk pengembangkan konsep softcomputing
didalam melakukan pengolahan data citra, dengan menggunakan metode peringkat atau kueri fuzzy. Dalam menggunakan metode ini, setiap citra yang ada
didalam database akan dibuatkan peringkat berdasarkan citra kueri. Untuk
melakukan proses analisa terhadap citra buah - buahan yang sudah diberikan peringkat, maka digunakan algoritrna Fagin dan Threshold. Dengan melalui
penggunaan algrotima, akan dihasilkan sekumpulan citra buah yang sesuai dengan
kriteria yang berdasarkan warna dan bentuk dari citra buah, dan kemiripan dari
citra kueri.
Pada dasarnya terdapat beberapa alasan, untuk menggunakan Algoritma
Fagin dan Threshold dalam melakukan analisa data citra buah, diantaranya :
J Algoritma ini sudah banyak dikembangkan dalam melakukan analisa terhadap
data multimedia. Salah satu perusahaan yang mengembangkannya adalah Perusahaan IBM Coorporation.
J Kemampuan untuk melakukan analisa data citra secara cepat dan tepat,
1.2 Tujuan dan Manfaat
Penelitian ini bertujuan untuk (1) melakukan analisa citra buah untuk menentukan pengukuran kemiripan berdasarkan bentuk dan warna dengan
menggunakan algoritma fagin dan threshold, (2) untuk mengetahui algoritma yang lebih baik di antara fagin dan threshold, dalam menghasilkan nilai presisi
yang optimal terhadap citra buah, (3) mengembangkan prototipe sistem temu- kembali data citra buah yang dibangun dengan menggunakan algoritma fagin dan
threshold.
Manfaat yang diharapkan dari penelitian ini adalah (1) menjadi dasar perancangan sistem temu kembali citra berbasis kaidah fuzzy dengan menggunakan algoritma fagin dan threshold dan (2) sebagai salah satu metode untuk aplikasi dalam bidang pertanian misalnya perpustakaan dijital, penentuan bibit tanaman dan klasifikasi tanaman.
1.3 Ruang Lingkup
Ruang lingkup penelitian ini adalah sebagai berikut :
J Obyek penelitian adalah citra buah dalam format citra JPG.
J Segmentasi citra dilakukan pada warna dan bentuk J Menggunakan Algoritma Fagin dan threshold.
& Untuk analisa warna citra buah digunakan metode histogram
4
Untuk Analisa bentuk citra buah digunakan metode citra binaryJ Model warna yang digunakan RGB
11. TINJAUAN PUSTAKA
Multimedia Database
Pada dasamya tidak ada definisi yang pasti mengenai multimedia, tetapi
para ahli menjabarkan bahwa multimedia dapat dimaksudkan dengan pengunaan
tipe data yang berubah - ubah dan berasal dari sumber yang berbeda - beda. Data tersebut dapat berupa data numerik, string, karakter,citra, film dan suara. Secara
urnum database multimedia dapat membantu user untuk dapat mengerti dalam membuat format yang tepat pada objek, termasuk untuk pengaturan jumlah data
yang besar. Hubungan komplek yang renggang (spatial) dan sementara, memberikan range yang luas pada data multimedia, untuk dapat melakukan
proses kueri pada database multimedia, yang berbeda dari database tradisional
(Fagin 1 996).
Banyak usulan dari para tenaga ahli dan peneliti bahwa teknologi objek oriented sebagai tool yang menjanjikan untuk berhubungan dengan data multimedia (Chen 2004). Untuk itu hampir semua database multimedia baik
tradisional dan database multimedia dengan konsep fuzzy data, dapat dilihat pada
gambar 1.1
.
Kueri
fuzzy
Warna='red'and
Database tradisional Database multimedia
Gambar I. 1 Perbedaan antara Database Tradisional dan Database dengan Data Fuzzy
(Deng Y, 2001)
Gambar 1. I menjelaskan tentang perbedaan antara database tradisional dengan database multimedia dengan menggunakan fuzzy data. Pada database multimedia terdapat beberapa jenis data yang dapat diolah dan diakses, diantaranya adalah data citra dimana dapat dipanggil dan diakses dengan
berdasarkan kepada beberapa kriteria, diantaranya adalah warna dan bentuk.
menggunakan kueri processor dengan menggunakan metode fuzzy kueri. Dari hasil proses fuzzy kueri dihaslkan beberapa data citra yang sesuai dengan kreteria
yang sudah ditetapkan.
Secara umum dalam melakukan proses kueri pada data multimedia menjadi kemampuan utama pada sistem manajemen database. Proses ini
dilakukan dalam rangka mencari atau memanggil satu atau beberapa jenis data
yang sudah tersimpan pada database. Walaupun dalam proses kueri ini mempunyai perintab yang lebih spesifik dan rumit dalam menggunakan, namun
satu satu fimgsi dasar dari sistem database manajemen adalah agar dapat memproses pernyataan user atau kueri. Hal ini dapat dicapai dengan mendefinisikan bahasa kueri sebagai bagian dari sistem database manajemen
(Bohm 1994).
2.2 Komputasi Lunak
Komputasi lunak merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru aka1 manusia dan memiliki kemampuan penalaran dan
dapat melakukan pembelajaran pada lingkungan yang penuh dengan ketidakpastian dan ketidaktepatan (Zadeh 1965). Sistem model ini diperkenalkan oleh Lotfi A Zadeh pada tahun 1992. Walaupun pada awalnya proses komputasi lunak sudah mulai diperkenalkan sejak tahun 1965, namun dengan konsep yang terkenal adalah sistem fuzzy. Pada dasarnya komputasi lunak bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidakpastian dan ketidaktepatan dan
diselesaikan secara mudah, benar dan biaya penyelesaian yang murah, dengan menggunakan pendekatm dalam melakukan penalaran untuk memecahkm
masalah.
Pada dasarnya terdapat beberapa komponen utama dari pembentukan
Komputasi Lunak diantaranya : sistem fuzzy, jaringan syaraf tiruan (neural network), agoritma evolusioner (algoritma genetik) dan penalaran dengan
probabilitas. Keempat komponen di atas merupakan pesaing satu sama lain, namun kesemuanya saling melengkapi dengan bidang kajian yang bervariasi.
2.3 Sistem Fuzzy
Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik, Sistem ini mempunyai kemampuan untuk mengembangkan sistem cerdas dalam lingkungan yang tidak pasti dan tidak tepat. Sistem ini menduga suatu fungsi
dengan logika fuzzy, di mana logika ini merupakan bagian dari logika boolean
(Marimin 2005). Logika fuzzy pada dasarnya digunakan untuk menangani konsep derajat kebenaran yang berkisar antara benar dan salah.
Secara umum kemampuan sistem logika fuzzy mengakomodasi :
O Toleransi terhadap data - data yang tidak tepat dan sangat fleksibel.
+$ Pemodelan fimgsi non linear yang sangat komplek.
e3 Dapat membangun dan mengaplikasikan suatu keahlian, tanpa hams melalui
2.4 Himpunan Klasik (crisp)
Secara umum, bahwa teori himpunan fuzzy merupakan perluasan dari teori himpunan klasik. Pada teori himpunan klasik, untuk elemen Z hanya
memiliki 2 kemungkinan keanggotaan yaitu menjadi anggota Z atau tidak menjadi
anggota Z (Chen 2004). Jika untuk menunjukkan seberapa besar tingkat
keanggotaan suatu elemen (x) dalam satu himpunan (Y), maka derajat
keanggotaan, dapat dinotasikan dengan p, (x).
.
2.5 Operator Dasar Himpunan Fuzzy
Ada 3 operator dasar pada logika fuzzy (Tabel 2.1) yaitu :
1) Operator AND : Operator ini berhubungan dengan operasi interseksi pada himpunan. Hasil operasi dengan operator AND diperoleh dengan mengambil
nilai keanggotaan terkecil antara elemen pada himpunan yang bersangkutan.
Rumus operator AND p,,, = min(p
,[XI
,p,
[y] ; disebut dengan conjuctionrule. Di mana x = nilai elemen dari anggota fuzzy A, dan y = nilai elemen dari anggota fuzzy B.
Operator OR : Operator ini berhubungan dengan operasi komplemen pada
himpunan. Hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen pada himpunan yang bersangkutan.
Rumus operator OR p,,, = m a x b ,[x],p,[y] ) ; Disebut dengan Disjunction
Rule. Di mana x = nilai elemen dari anggota fuzzy A, dan y = nilai elemen
3) Operator Not : Operator ini berhubungan dengan operasi komplemen. Hasil operasi dengan operator Not, diperoleh dengan mengurangkan nilai keanggotaan dari himpunan yang bersangkutan dengan nilai 1.
p- A ( x ) = 1 -,u A
[XI
: Disebut dengan Negotion Rule. Di mana x = nilai elemendari anggota fuzzy A.
Tabel 2.1 Operator dasar himpunan fuzzy
A B rnin!A.B) A 0 malt{A.B] A 1 - A
O
a
l
a
]
o
0 1 0
l 1
1'Ti
0
m
1 0 0 1 1
1 1 1
I 1 I
AND
OR
NOT
2.6 Pengolahan Citra
Perkembangan teknologi informasi yang sedemikian pesatnya, menyebab- kan terjadinya keanekaragamana dalam penyajian data dan Informasi.
Diantaranya bahwa bentuk penyajian tidak hanya dalam bentuk teks, tetapi juga dapat berupa gambar, audio dan video. Citra atau istilah lain adalah gambar sebagai salah satu komponen multimedia yang memegang peranan dalam penyampaian informasi dalam bentuk visual (Gonzales 2002). Walaupun pada dasarnya citra, kaya akan informasi, namun seringkali citra mengalami beberapa permasalahan. Diantara beberapa permasalahan itu diantaranya :
b. Kualitas yang tidak memadai.
c. Sulitnya dikenali dengan asupan citra yang lain. d. Warnanya kurang tajam, kabur dan terlalu kontras.
Selain itu dalam pengolahan citra, perlu dilakukan operasi terhadp citra asli
menjadi citra baru. Operasi yang dilakukan pada citra dikategorikan sebagai
berikut :
titik, yaitu operasi yang menghasilkan output di mana setiap piksel hanya
dipengaruhi oleh piksel pada posisi yang sama dari citra asli.
lokal, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi
oleh piksel-piksel tetangga pada citra asli.
global, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi oleh semua piksel yag ada dalam citra asli.
Dalam perkembangan pengetahuan teknologi iunformasi untuk mengatasi masalah yang disebut di atas, maka dapat dibedakan menjadi 3 (tiga) kelompok,
diantaranya :
1. Komputer Grafik, bertujuan untuk menghasilkan citra dalam bentuk grafik, lebih tepat disebut dengan grafik picture.
3. Pengenalan Pola (pattern recognation) , mengelompokkan data numerik dan
citra secara otomatis oleh komputer. Tujuannya adalah untuk mengenali objek
didalam citra. Secara umum otak manusia sangat mudah untuk belajar membuat klasifikasi objek - objek disekeliling
.
Sehingga marnpumembedakan antara objek yang satu dengan objek yang lain. Kemampuan otak manusia ini yang ditiru oleh sistem komputer agar dapat menerima
masukkan sebuat citra objek yang akan diidentifikasi, kemudian
memprosesnya dan diharapkan akan menghasilkan keluaran berupa deskripsi
objek didalam citra.
Pengenalan Citra Buah
-
buahanPenelitian pengenalan pola yang dilakukan mengunakan proses kueri fuzzy. Dalam proses ini sudah ada beberapa kasus yang dikerjakan oleh beberapa
peneliti, baik dengan mengunakan algoritma fagin, threshold dan algoritrna lainnya. Dalam penelitian ini difokuskan pada proses kueri fuzzy dengan analisa
data citra buah buahan, dengan menggunakan algoritma fagin dan threshold. Selain itu penelitian ini memfokuskan pada karakteristik yang dirniliki oleh citra
buah
-
buahan. Terdapat beberapa karakteristik utama citra, diantaranya adalah sebagai berikut (Gonzales 2002) :1. Ukuran pada setiap data Item adalah sangat besar (wama citra membutuhkan beberapa megabyte).
2. Dalam pemanggilan data dibutuhkan isi dan persamaan dari citra di samping dapat memanggil dengan text.
4. Perubahan sangat jarang dilakukan citra yang sudah disimpan pada database.
5. User dan interface kueri harus divisualklan selengkap mungkin (contohnya user diizinkan untuk memilih warna, teksture, d m bentuk dalam bentuk
graphic) dan juga memungkinkan hubungan visual yang timbal balik,
melalui petunjuk pengguna.
Karakteristik ini menjelaskan bahwa, untuk banyak aplikasi dapat dihitung dan disimpan ciri - ciri citra. Namun dalam penelitan ini dibatasi hanya pada
database citra, dengan 2 tipe data yaitu : citra (scene) dan objek. Scene adalah warna pada citra dan objek adalah bagian dari scene (Munir 2004). Dalarn kasus
memanggil kembali data citra buah yang sudah tersimpan pada database, maka
pada saat pemanggilan dapat dilakukan berdasarkan citra warna dan objek bagian dari scene.
2.8 Pendekatan Kueri Fuzzy
Pada awalnya dalam proses kueri di dalam database traditional, cukup
dengan melakukan proses terhadap satu karakter string, di mana karakter itu sesuai dengan data yang disimpan pada database, setelah itu dilakukan proses kueri, maka muncullah data - data hasil proses kueri. Dengan muncul data hasil proses kueri bersifat sangat homogenius (seragam). Dengan perkembangan teknologi diharapkan proses kueri database tidak hanya mampu berhubungan
seperti citra, video dan audio. Satu perbedaan yang mendasar bahwa data
multimedia mempunyai atribut yang menjadi turunan dari fuzzy. Sebagai contoh bahwa kita tidak dapat mengatakan bahwa citra yang diberikan mempunyai warna biru atau tidak biru. Namun disana terdapat tingkatan dari biru, seperti range diantara 0 (yang tidak biru) dan 1 (yang semuanya biru).
2.9 Fungsi Aggregasi
Pendekatan yang berhubungan dengan data fuzzy adalah untuk melakukan pengunaan fungsi aggregasi
.
Fungsi aggregasi ini yang memberikan nilaiberdasarkan kondisi yang diinput oleh user berdasarkan tingkatan antara 0 hingga 1. Jika parameter xl, x2,
...,
x,,
maka setiap parameter mempunyai nilai berintervalantara 0 hingga 1. Salah satu fungsi aggregasi yang sering digunakan adalah min. Berdasarkan peraturan standar pada fuzzy logic, jika objek R mempunyai peringkat XI di bawah attribute Al dan peringkat x2 di bawah attribute A2, maka
kemudian tingkatan di bawah conjuction fuzzy Al A A2 adalah min(xl,x2). Fungsi aggregasi yang lain yang sering digunakan adalah average dan max.
2.10 Kueri Dasar
Pada sistem multimedia, kueri dasar hanya bertanya untuk objek dengan satu ekspresi saja. Sebagai contoh untuk mencari citra yang benvarna merah. Untuk itu maka seperti pada perintah pada kueri dasar di mana warna = "merah",
meskipun secara aktual sistem ini dapat diekspresikan untuk mencari sebuah
merah) dan meminta citra yang lain yang memiliki warna mendekati yang dimiliki oleh citra i. Karena untuk mendapatkan beberapa citra yang dibutuhkan, harus dengan mengunakan proses kueri, maka hasilnya seharusnya objek yang akan muncul mulai dari paling merah, objek yang paling merah ke dua, objek
yang paling merah ketiga dan seterusnya hingga yang ke sepuluh atau lebih. Dengan demikian maka semua objek akan ditarnpilkan yang mempunyai warna yang mendekati merah.
Pada dasarnya sistem multimedia sudah mempunyai beberapa algoritma
yang canggih dalam membandingkan warna, di mana algoritma itu menghitung kedekatan warna antra 2 (dm) citra. Untuk menghitung kedekatan warna antara 2
(dua) citra tidak memerlukan perhitungan yang rurnit, karena pada dasarnya setiap objek mempunyai beberapa elemen warna histogram. Untuk itu maka jarak warna diantara 2 (dua) objek, dapat diarnbil berdasarkan jarak diantara histogram yang didefinisikan sebagai berikut (Fagin 1998):
,/(x -
YY
*
A(x -Y)
Penjelasan :
Gabungan Perintah Boolean dengan Kueri Dasar
Pada dasarnya hasil dari proses fuzzy kueri pada database multimedia adalah list pendek dari objek yang dicari. Sebagai contoh : proses kueri untuk objek warna merah, kemudian hasilnya adalah objek pertama yang merah, objek
kedua yang lebih merah, objek ketiga yang paling merah dan seterusnya. Kemudian bagaimana jika proses kueri multimedia digabung dengan traditional
database atau dengan perintah boolean yang diletakkan diantara perintah kueri multimedia.
Sebagai Contoh sebagai berikut : (buah="apple") A (warna = "hijau"),
maka hasilnya dari proses kueri ini, buah ape1 yang memiliki warna kulit luar adalah hijau, hijau tua, hijau muda, dan seterusnya. Pada setiap kueri dasar, sebuah nilai ditugaskan pada setiap objek. Nilai pada objek tersebut mewakili dari
keberadaan objek tersebut. Untuk yang nilainya 1 (satu) mewakili proses kueri dengan perbandingan yang sempurna, sedangkan nilai 0 (nol) mewakili proses kueri yang salah atau perbandingan yang salah.
2.12 Algoritma untuk Evaluasi Kueri
Dalarn mendapat informasi utama pada sistem database managemen adalah efisiennya untuk proses fuzzy kueri. Pada bagian ini dibahas 2 (dua) algoritma ymg
&an
m~fqkukqn evaluasi kueri dan akan memperlihatkan bahwa. . - ..., . . ,
asumsi terhadap sebuah algoritma yang dapat memberikan efisien yang optimal sebagai faktor yang utama. Proses kueri yang dapat dilakukan pada objek, dimana memiliki beberapa kondisi, diantara objek dilakukan perintah boolean.
dan disjuction rule dengan perintah OR. Contoh (buah = "apel") A (warna =
"hijau"). Bagian pertama buah = "apel" adalah kueri pada database tradisional dan bagian kedua warna = "hijau" akan dialamatkan pada sub sistem. Kerena itu 2
subsitem yang berbeda akan dilibatkan dalam menjawab proses kueri
.
Terdapat dalil yang berkenaan dengan proses kueri di mana dengan dalil tersebut dapat membuat algortima menjadi 3 (tiga) phase yaitu : akses secara berurutan, aksessecara random, proses perhitungan Dalam menjawab dalil proses kueri, maka dilakukan penelitim citra dengan menggunakan algoritma Fagin dan Threshold.
Pada dasarnya 2 (dm) algoritma ini dikemukan oleh 2 (dua) peneliti yang berbeda, namun saling melengkapi dalam menjawab proses kueri yang berbasis
citra (multimedia).
Algoritma Fagin (FA Algorithm)
Salah satu algoritma yang banyak dibahas untuk mengakses database
multimedia salah satunya adalah Algoritma Fagin. Chaudhuri dan Gravano (2000) mempertimbangkan cara untuk menirukan algoritma fagin dengan mengunakan "Kondisi Penyaringan " misalnya untuk nilai warna sekurang - kurangnya adalah 0,2. Dengan ini maka algoritma Fagin akan bekerja sebagai berikut :
1. Lakukan pengurutan secara paralel untuk semua data citra yang sejenis di mana yang ada didalam himpunan urutan m dengan kondisi a, kemudian
2. Untuk setiap objek yang sudah terlihat, lakukan akses secara acak sesuai yang
dibutuhkan untuk dapat menemukan data objek yang sejenis yang ada pada himpunan m dengan kondisi a, dengan himpunan n dengan kondisi b.
3. Lakukan perhitungan fungsi aggregasi, untuk mendapatkan hasil peringkat pada setiap citra yang ada didalam basis data.
Algoritma fagin sangat mendukung untuk mendapatkan nilai yang teratas untuk
kemiripan pada data sejenis dengan menggunakan fimgsi aggregasi. Sekaligus juga dapat menghasilkan nilai probabilitas presisi yang optimal dalam kasus citra
yang buruk atau jelek.
2.14 Algoritma Threshold
Pada dasarnya algoritma Fagin sudah cukup optimal pada situasi di mana menunjukkan performa yang kurang baik. Sebagai contoh bahwa tidak ada jaminan bahwa fungsi aggregasi tidak tetap. Karena pada beberapa kasus yang sudah jelas bahwa terlihat untuk fungsi aggregasi adalah konstan. Untuk itu
deskripsi algoritma Threshold adalah sebagai berikut :
2. Untuk setiap list L1, tentukan xl menjadi tingkatan pada objek terakhir yang
dilihat pada proses akses pengurutan. Definisikan nilai threshold z menjadi
t(R)'t(x1,x~,..xm). sekurang kurangnya pada objek k yang sudah dilihat di
mana peringkat adalah sekurang - kurangnya sama dengan z (nilai ambang)
kemudian keluar dari sistem.
3. Tentukan Y menjadi satu set yang berisi objek k yang dilihat pada peringkat
yang tertinggi, outputnya adalah himpunan peringkat ((R,t(R))IR€ Y).
Algoritma threshold adalah benar untuk setiap fimgsi t aggregasi yang
monotone.
Fuzzy Database (Kueri)
Dalam proses pengolahan database, perhatikan proses kueri di bawah ini :
Select nama, alamat,golongan From karyawan
Where (gaj i > 1 000000)
Dengan perintah kueri di atas, maka proses ini untuk menampilkan data nama,
alamat, dan golongan pada tabel karyawan, dengan syarat gaji yang diterima lebih dari 1000000.
Namun dalam keseharian diperlukan data yang bersifat tidak pasti (fuzzy).
Sebagai contoh untuk menampilkan pegawai yang muda dan dewasa. Dengan menampilkan data pegawai yang masih muda dan dewasa, maka kueri yang digunakan adalah kueri fuzzy. Pada database kueri fuzzy terdapat 2 model yang
1. Kueri fuzzy Model Tahani 2. Kueri fuzzy Model Umano
Pada model tahani masih mengunakan relasi standar, hanya model ini mengunakan teori himpunan fuzzy untuk mendapatkan infomasi pada kuerinya. Contoh jika ingin mengkategorikan usia karyawan dalam himpunan muda,
dewasa, dan tua.
30 35 40 45 50
Umur (tahun) Fungsi Keanggotaan :
Dengan drajat keanggotaan yang sudah disebutkan di atas, maka dapat diuraikan kedalam tabel karyawan sebagai berikut (Tabel 2.1) :
Tabel 2.1 Tabel karyawan
Catatan : x = Objek yang diarnati
Dengan melihat fiungsi keanggotaan di atas, bahwa nilai Fuzzy terletak diantara
angka 1 dan 0, jika nilai mendekati angka 1 maka nilai tersebut menuju ke besar, sedangkan jika mendekati ke angka 0 menuju ke kecil. Contoh Andi termasuk kedalam kategori muda dengan nilai 0,3 dibandingkan dengan kategori dewasa yang hanya mempunyai nilai 0,2. Pada Model Umano, data - data yang bersifat ragu - ragu diekspresikan dengan mengunakan distribusi posibilitas. Distribusi posibilitas merupakan nilai atribut dari suatu model relasi.Contoh : Anton Umur 54 tahun nama anak (ani,ari)p. Dengan contoh di atas dapat dijelaskan bahwa
Anton dengan urnur 54 tahun, dengan nama anak anton diekspresikan dengan No.
1
2
3 4
Drajat Keanggotaan ([x])
Nama TOR0 UDIN AND1 HASAN Muda 1 0 0,3 0 s Umur
3 0
[image:37.538.56.454.42.765.2]distribusi posibilitas yang diberikan {0,8/ani; O,5/ari). Nilai posibilitas ani lebih
besar dibandingkan dengan nilai posibilitas ari 0,5.
2.16 Pengenalan Warna
Secara urnum warna pokok itu dibagi menjadi 3 warna yaitu warna merah (red), hijau (green) dan biru (blue). Warna lain diperoleh dengan mencampurkan 3
(ketiga) warna tersebut dengan perbandingan tertentu. Besar perbandingan tersebut akan disesuaikan dengan kebutuhan dari warna yang dihasilkan, termasuk
juga besaran campuran dari ketiga warna tersebut (Munir 20042). Percampuran warna warna pokok C1, C2 dan C3 dengan prosentase tertentu :
C = aCI
+
bC2 + cC3Penjelasan : C1 =Merah C2 = Hijau C3 = Biru
a,b,c = Besaran nilai yang diberikan pada setiap warna
Dengan demikian jika menghasilkan satu buah warna, maka merupakan
Gambar 2.2 : Model Warna RGB clan HSV (Stone 2003)
Pada gambar 3 (a) menunjukkan koordinat awal (0,0,0) adalah warna hitam dan koordinat (1,1,1) adalah warna Putih. Sedangkan untuk warna abu - abu berada
disepanjang garis antara koordinat (0,0,0) sampai dengan (1,1,1). Untuk warna magenta merupakan pencampuran antara warna merah dan Biru, warna kuning antara warna merah dan hijau. Selain warna RGB, warna juga dapat dimodelkan
berdasarkan atributenya. Untuk setiap warna akan mempunyai 3 attribute yaitu : Intensity (I), Hue (H) dan Saturation (S).
Intensity : Mempunyai kisaran nilainya antara warna gelap (hitam) dan terang (putih).Hue menyatakan warna sebenarnya sekaligus juga untuk membedakan dengan warna - warna lainnya. Saturation : Mengindetifikasikan seberapa banyak warna putih yang diberikan pada setiap warna.
Selain itu masing - masing warna pokok menunjukkan persentase relatif diantara
RGB kedalam bentuk variable X, Y, Z. Untuk itu gambaran kromatisitas adalah
sebagai berikut (Jain A K 2004) :
.Y
Dengan demikian maka total nilai seluruh kromatisitas adalah X = Y = Z = 1 atau X+Y+Z = 1 atau Z = 1-X-Y
Pendekatan Kueri pada warna buah
Pada dasarnya terdapat beberapa cara untuk dapat melakukan pengenalan
objek warna. Salah satmya adalah, dilakukannya perbedaan terhadap huenya. Ini dilakukan dengan cara memberikan nilai ambang pada rentang nilai huenya yang melingkupi objek. Warna adalah bagian atau objek yang paling sering ada jika digunakan pada proses kueri didalam data multimedia dan sistem temu kembali.
Citra yang mempunyai kemiripan akan dipanggil atau temu kembali pada database citra. Dengan demikian citra yang mempunyai prosentase warna yang mendekati dengan prosentase warna yang dipanggil akan ditarnpilkan. Dalam proses temu kembali terhadap warna dari buah - buahan yang menjadi objek
penelitian, tetap menggunakan perbandingan antara l(satu) buah dengan warna tertentu, akan mencari objek buah dengan warna tertentu yang sudah dimasukkan
kedalam database.
Semua ketentuan ini dapat dilihat pada contoh warna buah pada Gambar 2.3.
Gambar 2.3 : Objek warna citra buah
Pada gambar 2.3 terlihat buah mangga dan starawberi, di mana untuk buah mangga didominasi dengan warna hijau, sedangkan untuk buah strawberi
didominasi dengan warna merah darah. Dengan satu warna yang dimiliki terhadap setiap citra buah, dapat menjadi pedoman dalam melakukan penelitian atau kajian yang sedang dilakukan terhadap citra buah.
2.18 Pendekatan Kueri dengan Bentuk
Bentuk merupakan bagian yang penting untuk mengidentifikasikan objek pada Clitra. Selain itu juga dapat digunakan untuk sistem temu kembali. Kekuatan bentuk pada pencarian citra dimulai sejak mulai dibentuk hingga menjadi informasi dan berbeda dari warna. Banyak pendekatan yang dilakukan dalam melakukan proses kueri pada bentuk seperti pendekatan yang cukup terkenal dengan metode canny edge detection (deteksi tepi model Canny) (Chaudhuri
citra. Pada dasarnya terdapat 2 cara berbeda dalam melakukan temu kembali terhadap bentuk. Metode pertarna adalah kueri dengan contoh (query by example) di mana sebuah objek contoh disediakan dan objek yang mempunyai persamaan
struktur dalam bentuk akan muncul. Metode kedua untuk temu kembali pada bentuk adalah kueri dengan sket visual (query by visual). Objek dapat dispesifikasi dengan penggabungan pada geometrik primitive. (Seperti bentuk
bulat, segiempat dan segitiga) dan Objek yang mendekati dengan sketsa ini akan dipanggil.
Pada dasarnya teknik perbandingan yang diperoleh dengan histogram
adalah untuk menentukan persamaan diantara 2 (dua) histogram, ini dapat dilakukan pada kueri dengan warna dan bentuk. Salah satu metode adalah matrik diskrit di mana jarak nilai antara 2 histogram ke-i dan ke-j mewakili informasi
pada 2 objek dapat didefinisikan sebagai berikut :
d(i,j) = jarak Minkowski antara data ke-i dan data k e j , x = obyek data, p =
banyaknya atribut data, dan q adalah bilangan bulat positif.
d(i,j) = jarak euclid antara data ke-i dan data ke-j, x = obyek data
2.19 Sistem Inferensi Fuzzy
Sistem Inferensi Fuzzy (Fuzzy Inference System (FIS) merupaan kerangka
perhitungan yang didasarkan pada himpunan Fuzzy, di mana setiap aturan fuzzy
berbentuk kondisi Selection yaitu IF- THEN. Secara urnurn Sistem Inferensi
Fuzzy berbasis kaidah fuzzy yang merupakan komposisi dari pengetahuan dan informasi dari seorang pakar dalam bentuk -kaidah kaidah fuzzy. Terdapat 2
(dua) basis pengetahuan fuzzy yang terdiri dari 2 (dua) komponen yaitu : 4 Sebuah basis data yang mengandung peubah fuzzy dan fungsi keanggotaan
4 Basis kaidah terdiri dari himpunan kaidah fuzzy dengan operator fuzzy.
Pada dasarnya Sistem inferensi fuzzy menerima masukkan himpunan crisp, di
mana yang akan dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Untuk nilai fuzzy akan dicari pada setiap aturan, dan akan
dilakukan aggregasi jika mempunyai lebih dari satu aturan, sekaligus akan dilakukan defuzzyfikasi untuk mendapatkan keluaran dari sistem crisp. Sistem
Inferensi fuzzy yang digunakan dalam penelitian analisa data buah - buah dengan algoritma Fagin dan Threshold adalah metode Mamdani. Metode Mamdani sering dikenal dengan metode Max-Min. Menurut Mamdani untuk mendapatkan output diperlukan 4 tahapan diantaranya :
2. Aplikasi fungsi implikasi : Fungsi yang digunakan adalaj Min
3. komposisi Aturan : Ada 3 metode yang digunakan dalam melakukan Inferensi
sistem Fuzzy yaitu : Max, Additive dan probabilistik (Or). Untuk nilai max solusi himpunan fuzzy diperoleh dengan cara menggambil nilai maksimum
aturan dan menggunakan operator OR untuk dapat mengaplikasikan ke
Output, termasuk menggunakannya untuk memodifikasi daerah fuzzy. Secara umum dapat dituliskan sebagai berikut :
Ppr
[ x i ]
=
max(
pPf
[ x i ] ,
pkf
[ x i
I)
Dengan ketentuan sebagai berikut :
ppf [xi] = NIlai Keanggotaan solusi Fuzzy
pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy
Xi = Elemen didalam keanggotaan
Untuk metode additive (sum), metode ini solusi himpunan fuzzy diperoleh dengan cara melakukan seluruh penjumlahan terhadap semua output daerah fuzzy. Secara umum dapat digambarkan seabgai berikut :
P p f [ x i l
=min(
1 9 ~ ~ ~ r x i l +
P k f [ ~ i I )
Dengan ketentuan sebagai berikut :
ppf [xi] = NIlai Keanggotaan solusi Fuzzy
pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy
4. Penegasan (Defuzzy) adalah suatu himpunan fuzzy yang diperoleh dari
komposisi aturan - aturan fuzzy. Sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut.
Untuk itu perhitungan nilai fuzzy implikasi pada metode marndani adalah sebagai
berikut :
p b w nbb =
min{
p b w , p b b}
d m /I bw u p b b = m a x @ b w , ~ b b )Di mana dengan ketentuan :
&,,,
= nilai fuzzy ciri warnapbb
= nilai fuzzy ciri bentukDengan penelitian yang difokuskan kepada Algoritma Fagin dan Threshold dalarn melakukan analisa data buah - buahan, maka rurnus difokuskan kepada bentuk
sebagai berikut :
p,,
n bb =min{
p,,
,pb,
) di mana dengan ketentuan bahwa :jib,, = Proses Seleksi data Warna
pb, = Proses Seleksi data Bentuk
Hasil dari proses seleksi akan dilakukan proses fuzzy untuk menentukan nilai
Fungsi Sigmoid
Pada dasar fungsi sigmoid yang digunakan pada penelitian ini, untuk melakukan
perhitungan peringkat berbasis fuzzy. Fungsi sigmoid yang digunakan
mempunyai fungsi keanggotaan dalam bentuk kurva s penyusutan, atau dalam nilai penurunan dari 1 ke 0 berbentuk kurva s. Pada dasarnya fbngsi sigmoid
dibagi menjadi 2 bagian yaitu :
1. Fungsi Sigmoid Biner. Fungsi ini memiliki nilai range antara 0 sampai 1.
Sehingga dengan demikian ouput yang dihasilkan memiliki interval 0 sampai 1. Fungsi ini dinunuskan sebagai berikut (Kusuma 1996) :
2. Fungsi Sigmodi Bipolar. Fungsi memiliki nilai range antara nilai 1 sampai -1
Fungsi ini memiliki rumus sebagai berikut :
1 -e-"
Y = f ( x ) = g dengan ketentuan
fl
(X) f' (x) = ;[I+
f (x)] (1 - f (x)]Fungsi di atas menyerupai fbngsi hyperbolik tangent. Kedua memiliki range
nilai antara
-
1 sampai 1.Dalam melaksanakan penelitian terhadap citra buah - buahan dengan algoritma fagin dan threshold, digunakan fimgsi sigmoid Biner, di mana mempunyai nilai
antara 0 sampai dengan 1. Fungsi sigmoid biner ini berfimgsi untuk memberikan peringkat terhadap citra yang sudah ditemukan kemiripannya berdasarkan citra
2.18 Pengukuran Kedekatan Citra
Dalam melakukan pengukuran akan kedekatan citra, dapat dilakukan berdasarkan fimgsi jarak antara dua ciri citra. Jarak digunakan untuk mengukur
ke(tidak)miripan antara dua obyek data. Kemiripan merupakan salah satu landasan dari proses pencarian sebuah citra. Di mana dalam penelitian ini citranya
adalah citra buah - buahan. Dengan ketentuan bahwa sudah disiapkan data buah - buahan kedalam bentuka Database.
Pada dasarnya terdapat banyak cara untuk menghitung jarak, namun pada tesis ini hanya akan dibahas tiga jarak yang paling banyak digunakan. Dan diantara ketiga
jarak tersebut, yang paling populer adalah jarak Euclid (Gonzales 2002). a. Jarak Minkowski
Didefinisikan sebagai :
Di mana :
dfi,j) = jarak Minkowski antara data ke-i dan data ke-j,
x = obyek data,
p = banyaknya atribut data, dan
q = adalah bilangan bulat positif. b. Jarak Manhattan
Jarak Manhattan merupakan kasus khusus (q=l)dari Jarak Minkowski.
2.19 Citra Biner
Citra biner adalah citra yang mempunyai dua nilai derajat keabuan yaitu Hitam dan Putih. Pixel - pixel objek bernilai 1 dan pixel - pixel latar belakang bernilai
0. Pada waktu menampilkan gambar, 0 akan mempunyai warna putih dan 1 mempunyai warna hitam. Dengan demikian maka untuk objek mempunyai warna
hitam dan latar belakang mempunyai warna putih. Terdapat beberapa keuntungan
dari penggunaan citra biner yaitu:
1. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan
representasi 1 bit.
2. Waktu pemerosesan lebih cepat dibandingkan dengan citra hitam putih, karena banyak operasi citra biner dilakukan dengan operasi logika (AND, OR,
NOT).
Pada dasarnya dalam penelitian thesis yang penulis lasanakan terutarna dalam proses pencarian data buah - buahan (retrieve data). Untuk Citra buah - buahan
telah terjadi proses konversi terhadap objek - objek. Konversi tersebut dirubah kedalam citra hitam putih. Di mana untuk citra objek diberikan warna hitam sedangkan untuk warna latar belakang menggunakan warna putih. Setelah terjadi perubahan maka dilakukan proses konversi dari Citra hitam putih menjadi citra biner. Ini dilakukan karena beberapa alasan yaitu (Munir 2004):
1. Untuk dapat mengidentifikasi keberadaan objek, di mana direpresentasikan sebagai daerah (region) didalam citra. Di mana pixel - pixel objek
2. Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit.
3. Dapat menkonversi citra yang telah ditingkatkan kualitasnya tepinya ke penggambaran garis - garis tepi(edge enhancement).
Dalam penelitan ini Citra biner menjadi proses yang dilaksanakan dalarn rangka mendeteksi citra - citra buah yang akan dicari dengan mengunakan
algoritma fagin dan threshold.
2.20 Segmentasi Warna
Secara umum warna merupakan suatu ciri yang dominan jika dibedakan secara visual. Apalagi dalam penelitian terhadap buah - buahan, ini dapat
merupakan suatu ciri yang dominan terhadap buah - buahan. Untuk buah Ape1
dan tomat , mempunyai ciri warna dominan merah. Untuk buah alpukat, kedodong, mangga mempunyai warna dominan biru, dan buah belimbing
mempunyai warna dominan kuning. Dalam penelitian ini segmentasi citra warna ini dilakukan dengan mengelompokkan tiap piksel citra kedalam bin warna referensi sebanyak 30 warna. Metode penentuan ciri citra warna dilakukan dengan
mencari jarak euclid minimum antara warna piksel dengan warna referensi, yaitu :
d, = min[(d,, - d,)f -
Di mana : d, = citra warna
d,= citra warna referensi
Segmentasi Bentuk
Seperti juga dengan citra warna, maka untuk citra bentuk merupakan juga
salah satu ciri yang digunakan dalam sistem temu kembali. Dalarn penentuan dan
pencarian citra bentuk yang sudah tersimpan database, dengan mengunakan inputan dari buah yang sudah disiapkan oleh penulis mengunakan teknik citra biner. Di mana antara objek buah dan warna latar belakang mempunyai ketentuan
masing - masing. Di mana untuk objek buah akan mempunyai warna hitam,
sedangkan untuk warna latar belakang dari objek mempunyai warna putih. Pada
dasarnya citra buah yang ada didatabase dan inputan akan dibagi menjadi 9 (sembilan) bagian yang sama besar. Di mana untuk setiap bagian akan dicari
Ill. METODOLOGI PENELlTlAN
3.1 Kerangka Pemikiran
Dalam pelaksanaan penilitan ini dilakukan 4 tahap utama yang terdiri dari:
persiapan (pengurnpulan dan pengolahan data citra buah), algoritma pendukung, studi pustaka, penentuan temu kembali dan pembuatan prototipe sistem (Gambar
3.1). Dengan konsep ini digunakan 2 model akses : pertama model akses secara berurut (sekuensial) dan model akses yang kedua dengan akses acak. Jika
diasumsikan bahwa sekuential akses diwakilkan dengan variable s dan akses acak diwakilkan dengan variable r maka untuk menghasilkan proses database
multimedia yang optimal adalah s
+
r.Dengan melakukan proses kueri fuzzy, maka citra yang sudah tersimpan ada database dapat ditemukan atau ditelusuri berdasarkan wama , bentuk dan
tekstur. Dengan demikian jika ingin mengetahui dan mencari citra tertentu di dalam database, maka dapat mengunakan proses kueri fuzzy. Dalam melakukan
cramDar 3. I Keranwa rerniKiran reneurran
3.2 Tahap Persiapan
Tahap persiapan dalam penelitian ini
,
terdapat 3 (tiga) kegiatan utama yangdilakukan secara berurutan, diantaranya adalah :
1. Pengumpulan citra buah
2. Penentuan batasan citra buah
Dalam pengumpulan data citra buah, dilakukan melalui beberapa cara seperti : melalui internet, pengambilan dengan photo digital ataupun melalui kumpulan cd citra buah- buahan. Setelah dilakukan pengumpulan data, maka semua citra harm mempunyai ektension JPG atau BMP (*.jpg dan *.bmp). Jika diketemukan
ada ekstension yang lain, maka akan dilakukan perubahan. Secara lebih detail
[image:53.532.71.492.235.712.2]gambaran pengumpulan data terhadap citra buah sebagai berikut (Tabel 3.1) :
Tabel 3.1 Pengumpulan data citra buah
Keterangan
Nama Website :
www.wikivedia.com
\\-\f-n .kompa.comikeschatan~...!kiat.htm
www.~roscitech.com.au/tro~/link.htm www.fruitlovers.com/fruittreedescriptions.htm www.fotosearch.com/uhotos-imageslfruit.htm1 www.fieefoto.comlbrowse.isr, www.fruit-images.com/fruit www.fruitfromwashinpton.com/di~items/christmas.htm www.2020tecoh.com/fruit
Diambil untuk Image citra Alpukat, Jeruk, Nanas, Kelapa dan Ape1
Semua Image yang digunakan akan dimodifikasi sesuai dengan kriteria yang sudah ditentukan
Semua image yang sudah ada, kemudian dilakukan modifikasi. Mulai dari warna, bentuk citra termasuk posisi dari citra. Jumlah Image 92 30 20 28 No 1 2 3 4
Asal Image Buah
Teknologi Internet
Pengambilan
gambar dengan Photo Digital Dengan pembelian CD & DVD utuk kumpulan Image buah - buah
Kemudian semua citra buah yang sudah dikumpulkan, akan dilakukan identifikasi batasan dari citra buah yang akan dilakukan penelitan. Ini dilakukan untuk menghindari bahasan terhadap penelitan yang menjadi luas, sehingga sulit untuk melaksanakannya. Adapun beberapa batasan terhadap citra buah yang
diteliti diantaranya :
1. Warna citra buah difokuskan kepada warna luar yang dimiliki oleh citra buah. Untuk itu beberapa warna luar buah yang diteliti adalah sebagai
berikut :
4
Warna merah terdiri atas buah apel, tomat, rambutan, strawberi.J Warna ungu terdiri dari Anggur
& Warna coklat seperti buah sawo, duku, kelengkeng.
4
Warna kuning sepert buah pear, pisangJ Warna biru seperti buah alpukat, jambu, mangga, kqlapa, semangka
2. Untuk bentuk citra buah yang akan dilakukan penelitian, terdiri atas beberapa bentuk yaitu : bulat, kotak, lcm&mg d s r segitiga. Untuk itu semua citra buah yang dikumpulkan, namun belum dimasukkw ke dalam
Proses analisa terhadap citra buah, dimaksudkan agar semua data citra buah yang sudah dikumpulkan dapat segera dimasukkan kedalam Database. Dalam melakukan analisa terhadap data citra buah, terdapat beberapa spesifikasi teknis yang dibuat oleh penulis dalam rangka untuk menunjang pelaksanaan
penelitian ini diantaranya :
1. Data buah - buahan yang dikumpulkan harus mempunyai latar belakang warna putih.
2. Data buah yang sudah dikumpulkan, dalam satu tampilan hanya menggam- barkan satu jenis buah saja dan tidak boleh lebih. Kalaupun dalam satu tampilan itu terdapat kumpulan beberapa jenis buah, hanya bersifat untuk mengetahui perforrna dari sistem yang sudah selesai dikembangkan.
3. Data buah harus mempunyai warna clan bentuk yang sangat jelas. Karena sangat mempengaruhi dalam proses pencarian 1 temu kembali.
4. Untuk 1 (satu) jenis citra buah - buahan, akan dimodifikasi menjadi 5
sarnpai dengan 8 jenis buah yang sarna, namun dengan perbedaan warna, bentuk dan posisi pada citra buah yang sejenis.
5 . Untuk data citra buah yang sejenis hams memiliki warna dan bentuk yang mempunyai beberapa perbedaan.
6. Semua data buah yang dimasukkan kedalam database harus mempunyai ektension jpg, bmp.
Semua kriteria di atas, harus dapat dipenuhi dalam rangka melakukan proses kueri
Gambar 3.2 Gambar Buah - buahan dengan spesifikasi teknis tertentu
Gambar 3.2 merupakan contoh yang sesuai dengan spesifikasi teknis terhadap
data citra buah yang disimpan pada Database. Secara lebih detail tahapan proses
persiapan dapat dilihat pada Gambar 3.3 :
Gambar 3.3 Bagan alir proses tahap persiapan
Gengumpulan'
r
Penentuan\
Batasan Citra
'
~ n a l i s a Citra'
Citra buahBuah b buah
*
1
.o
J
k
2.0 JL
3.0 Jv
v
Gambar 3.3 menjelaskan tentang proses - proses yang akan dilakukan dalam
menghasilkan citra buah yang sesuai dengan kebutuhan dalam penelitian. C i Buah
6
Citra Buah
Sedangkan secara lebih detail gambaran proses tata laksana untuk menghasilkan
[image:57.536.36.462.22.746.2]citra buah yang siap untuk dimasukkan kedalam database citra buah, dapat dilihat pada Gambar 3.4 :
Gambar 3.4 Tata Cara Pengolahan Citra Buah Menjadi Database Citra Buah
Gambar 3.4 menjelaskan bahwa penelitian ini memfokuskan tentang bagaimana dalam mengolah citra buah, mulai dari saat pengumpulan hingga penentuan spesifikasi terhadap citra buah.
Gambaran tentang hasil analisa citra buah, secara lebih rinci disajikan pada Gambar 3.5 :
Pada Gambar 3.5 disajikan 2 jenis citra buah semangka yang sudah dilakukan
analisa citra buah, dimana dengan jenis buah yang sama, narnun mempunyai bentuk dan warna berbeda. Satu buah semangka berwarna biru tua dan
mempunyai bentuk bulat, sementara buah semangka lainnya b e m a hijau muda dan memiliki bentuk agak lonjong. Pada dua (2) citra diatas memberikan
gambaran bahwa proses temu kembali pada data buah-buahan sangat dipengaruhi dengan warna dan bentuk dari citra buah sendiri.
Dari hasil pengolahan ini maka semua citra buah akan dimasukkan kedalam
database citra buah. Secara lebih detail daftar dari citra buah yang menjadi objek dalam penelitian penulis yang disajikan pada Tabel 3.2.
Tabel 3.2. Daftar buah - buahan
Terdapat 19 citra buah yang dilakukan penelitian. Melalui citra tersebut dikembangkan menjadi 170 citra, melalui beberapa cara :
1. Mengurnpulkan melalui Internet untuk jenis citra buah yang sejenis d m mempunyai kemiripan baik terhadap bentuk dan warna
. Termasuk juga
mengumpulkan citra buah yang mempunyai kemiripan bentuk atau warna, narnun berbeda jenis buahnya.2. Melakukan m o d i f h i terhadap beberapa citra yang sudah ada, agar terjadi perbedaan baik terhadap bentuk maupun warna.
3.3 Algoritma Pendukung
Dalam menentukan algoritma pendukung untuk melakukan analisa data citra buah ini, penelitian ini memfokuskan dengan menggunakan algoritma fagin dan
threshold. Dalam menggunakan algoritma, maka proses temu kembali citra dimulai dengan proses urut secara beraturan, kemudian dilanjutkan dengan proses
urut secara random. Dalam melakukan proses pengurutan ini, terdapat suatu proses yang harus dijalankan terlebih dahulu, yaitu menampilkan citra yang sudah tersimpan pada database, yang dipanggil melalui citra query. Untuk pemanggilan
citra yang ada didalam basis data, maka diperlukan beberapa fungsi pendukung yaitu :
1. Untuk memanggil kembali data citra berdasarkan warna, maka terlebih dahulu harus menggunakan fungsi histogram, setelah itu dilanjutkan dengan proses euclid yang berguna untuk menentukan jarak warna citra. Kemudian dilanjut-
kan dengan fungsi sigrnoid yang berguna untuk memproses nilai terhadap citra berdasarkan perbandingan dengan citra kueri.
2. Untuk memanggil kembali data citra berdasarkan bentuk, maka terlebih
dahulu harus menggunakan fungsi citra binary, setelah itu dilanjutkan dengan proses euclid yang berguna untuk menentukan jarak kemiripan untuk bentuk
citra yang ada dikueri dengan yang tersimpan di basis data. Kemudian dilanjutkan dengan fungsi sigmoid yang berguna untuk memproses nilai
terhadap citra berdasarkan perbandingan dengan citra kueri. Dengan nilai sigmoid ini, jika citra bentuk yang ada didalam basis data hampir sama dengan citra bentuk dikueri.
3.4 Analisa Data Citra Buah
file citra yang digunakan sebagai bahan penguji (citra kueri). Sedangkan untuk objek citra buah - buahan yang digunakan untuk penelitian terdapat lebih dari 20 jenis buah - buahan., dengan setiap jenis memiliki maksimal 8 citra buah bahkan lebih, sedangkan minimal terdapat 1 citra buah. Citra buah yang digunakan
sebagai citra kueri sebanyak 16 jenis citra, untuk mencari dan menelusuri citra buah yang sudah tersimpan kedalam database yang berjurnlah hingga 170 citra
buah.
Dalam tahapan ini juga diperlukan pemilihan algoritma dan kriteria yang akan diproses. Setelah itu fbngsi aggregasi melakukan proses peringkat terhadap
citra yang akan ditarnpilkan berdasarkan kondisi dari citra kueri yang dipilih. Jika
citra buah didalam basis data menyerupai dengan kondisi dari citra kueri, maka
a k a mempunyai peringkat mendekati atau hampir sama dengan angka 1 (satu). Jika hampir
